数字普惠金融对企业CO2排放的影响:来自中国A股上市公司的证据

《Sustainability》:The Impact of Digital Financial Inclusion on Corporate CO2 Emissions: Evidence from China’s A-Share Listed Firms

【字体: 大 中 小 】 时间:2026年08月13日 来源:Sustainability 4.1

编辑推荐:

  在气候变化加剧和碳中和目标趋严的背景下,提升物流绿色创新绩效(GIP)对于低碳转型至关重要。然而,现有研究主要强调同期线性效应,对非线性交互、滞后响应和区域异质性的关注不足。本研究开发了一个DLIA框架,该框架整合了驱动因素筛选、滞后响应诊断、集成学习验证和基

  
在气候变化加剧和碳中和目标趋严的背景下,提升物流绿色创新绩效(GIP)对于低碳转型至关重要。然而,现有研究主要强调同期线性效应,对非线性交互、滞后响应和区域异质性的关注不足。本研究开发了一个DLIA框架,该框架整合了驱动因素筛选、滞后响应诊断、集成学习验证和基于SHAP的归因。利用2011–2024年中国30个省份的面板数据,采用Super-SBM模型测度物流GIP,同时通过互补相关诊断识别显著驱动因素及其最优滞后结构。然后比较了四种集成学习算法,选择XGBoost进行可解释归因分析。结果表明,全国物流GIP从0.405上升至0.467,但空间差异显著,高绩效省份仍集中在东部地区。27个变量通过非线性关系共同影响GIP。高素质人才响应最快,平均滞后0.60年,而资本存量需要更长的积累期达5.29年。SHAP结果识别出经济集中度是最大贡献者(14.0%),其次是高素质人才(9.6%)和资本存量(8.4%)。这些驱动因素还表现出阈值效应和显著的省份异质性。研究结论拓展了创新生态系统研究,表明物流绿色创新依赖于非线性交互、差异化的时间传导和区域吸收能力。因此,绿色物流政策应从统一的线性干预转向与本地要素禀赋和知识能力相适应的时间敏感型和地方化策略。
**论文解读:物流绿色创新绩效的非线性驱动机制、滞后响应与区域异质性——基于DLIA框架的综合分析**

**研究背景与问题**
在全球气候变化加剧和碳中和目标收紧的背景下,物流业作为高能耗、高排放的典型行业,其绿色转型成为实现低碳发展的关键环节。然而,现有研究多聚焦于同期线性效应,未能充分揭示多维度驱动因素与物流绿色创新绩效(GIP)之间的非线性关系、滞后响应特征以及区域差异。具体而言,已有文献在三个方面存在明显不足:一是对驱动因素与GIP之间的非线性依赖关系、单调关联及通用非线性结构的系统性比较不足;二是多数研究采用预设的滞后结构或仅关注少数变量,缺乏对多因素最优滞后期的统一识别;三是国家平均效应或特征重要性排序难以支撑差异化的区域政策制定。因此,亟需建立一套整合驱动因素筛选、滞后响应诊断、集成学习验证与贡献归因的综合性分析框架,以回答三类核心问题:多维驱动因素与物流GIP之间存在何种依赖关系?各驱动因素需要多长时间才能发挥全部效应?在考虑复杂非线性关系后,各因素的相对贡献和省份效应如何变化?

**研究内容与结论**
本研究开发了DLIA(驱动因素筛选-滞后响应诊断-集成学习验证-SHAP归因)综合框架,利用2011–2024年中国30个省份的面板数据,首先通过Super-SBM模型测度物流GIP,其次采用Spearman、Pearson、Kendall秩相关和距离相关四种系数识别驱动因素及其最优滞后结构,再比较随机森林(Random Forest)、XGBoost、CatBoost和梯度提升决策树(GBDT)四种集成学习模型,最终选择XGBoost进行SHAP(Shapley Additive exPlanations)归因分析。研究得出以下主要结论:全国物流GIP从2011年的0.405波动上升至2024年的0.467,但空间极化严重,东部地区显著高于中西部和东北地区;经显著性检验,29个候选变量中有27个与GIP显著相关,且呈现明显的非线性关系;各驱动因素的效应周期差异显著,高素质人才响应最快(平均滞后0.60年),资本存量滞后最长(5.29年);SHAP归因显示经济集中度贡献最大(14.0%),其次为高素质人才(9.6%)和资本存量(8.4%),且这些驱动因素表现出阈值效应和显著的省份异质性。该研究的意义在于:将非线性依赖、差异化时间滞后和区域异质性纳入统一框架,建立了从变量识别到机制解释的完整分析链条,为绿色物流政策提供了时间敏感和空间差异化的决策依据。论文发表在《Sustainability》。

**关键技术方法**
研究采用的主要技术方法包括:
1. **Super-SBM模型**:用于测度物流GIP,该模型在考虑非期望产出的基础上,能够有效评价投入产出效率。
2. **多类型相关分析**:利用Spearman相关系数进行初步筛选,再通过Pearson相关系数、Kendall秩相关系数和距离相关系数分别识别线性关联、单调秩关联和通用非线性依赖,并确定各驱动因素的最优滞后周期。
3. **集成学习模型比较**:对比随机森林、XGBoost、CatBoost和GBDT四种模型,基于训练集、测试集和10折交叉验证的R2、MAE和RMSE指标,选择表现最优的XGBoost作为后续SHAP分析的基础模型。
4. **SHAP归因分析**:基于博弈论中的Shapley值,分解模型预测结果,量化各驱动因素的边际贡献、效应方向及空间异质性。
样本来源为中国30个省份(不含港澳台和西藏)2011–2024年的面板数据,数据来源于《中国统计年鉴》《中国能源统计年鉴》《中国环境统计年鉴》《中国科技统计年鉴》《中国交通统计年鉴》及各省统计年鉴,缺失值采用链式方程多重插补(MICE)处理。

**研究结果**
**4.1 物流GIP的时空分异与演变**
通过Super-SBM模型测度并分析30个省份的GIP,发现全国平均GIP从2011年的0.405上升至2024年的0.467,累计增长15.4%,但呈现波动上升趋势,2020年后显著反弹。空间上,东部地区GIP均值达1.001,显著高于西部(0.295)、中部(0.174)和东北(0.186),高值省份集中在东部沿海,低值省份位于西部和东北。

**4.2 关键时空驱动因素的筛选**
基于Spearman相关分析,从29个候选变量中筛选出27个显著驱动因素(排除绿色交通水平和货运量)。经济集中度(EC)与GIP相关性最强(Spearman系数0.675),其次为研发人员密度(0.605)、政府科技支持(0.601)、对外开放水平(0.578)和高素质人才(0.574)。污染物排放强度(PEI)呈显著负相关(-0.451)。不同GIP等级下驱动因素呈现梯度差异,高绩效类别在经济基础、创新投入、交通设施和数字技术方面均表现卓越。

**4.3 关键驱动因素的滞后响应特征**
通过Pearson、Kendall秩相关和距离相关三种方法识别滞后结构,发现驱动因素与GIP的关系并非即时线性,而是呈现差异化的滞后模式。高素质人才(HQTP)综合滞后仅0.60年,响应最快;铁路网密度(RLND)滞后1.29年;经济集中度(EC)滞后2.41年,政府科技支持(GST)滞后2.93年,污染物排放强度(PEI)滞后2.74年,属中期响应;资本存量(CS)滞后最长(5.29年),绿色能源消费(GEC)和互联网普及率(IPR)分别滞后3.81和3.29年,反映了长期积累效应。27个驱动因素中,20个的滞后在1–3年,表明GIP提升主要由中短期因素驱动。

**4.4 集成学习模型的比较与验证**
比较四种集成学习模型,XGBoost在训练集上R2最高(0.935),测试集R2为0.691,10折交叉验证R2为0.523,RMSE为0.239,综合表现优于随机森林、CatBoost和GBDT,因此选为SHAP分析的基础模型。

**4.5 基于SHAP归因的驱动机制分析**
SHAP全局归因显示,经济集中度(EC)贡献最大(14.0%),其次为高素质人才(HQTP,9.6%)、资本存量(CS,8.4%)和政府科技支持(GST,7.3%)。在维度层面,经济需求(EDM)贡献26.4%,数字技术与赋能(DTE)和制度环境(IGB)各贡献23.2%,要素投入(FEI)贡献15.5%,基础设施(INF)贡献11.7%。滞后效应贡献分析表明,高贡献因素具有不同的响应周期:EC贡献14.0%但滞后2.41年,HQTP贡献9.6%但滞后仅0.60年,CS贡献8.4%但滞后5.29年。SHAP依赖图显示EC、HQTP、CS、GST和对外开放水平(OPN)呈正向效应,而PEI呈负向效应。空间异质性分析表明,EC在东部沿海省份(上海、天津、北京)呈强正向效应,在西部省份(青海、黑龙江、甘肃)为负向;HQTP和CS在四川、陕西、河北、广东贡献较高;GST在上海、江苏、天津转化效率高;PEI和OPN的空间效应较为分散。

**4.6 稳健性检验**
通过排除潜在重叠指标、数据补全敏感性分析和滞后窗口敏感性分析,验证了主要结论的稳健性。排除重叠变量后SHAP排序相关系数达0.89以上;排除2018年缺失值后SHAP排序相关系数达0.97;不同滞后窗口(L=4,6,8)下驱动因素排序高度一致(Spearman秩相关0.956–0.990)。

**讨论与结论**
**讨论部分总结**:研究结果表明,物流GIP的提升并非单一因素线性作用的结果,而是经济集聚、创新资源、制度支持和数字技术等多维因素通过非线性交互与差异化时间传导共同塑造的。经济集中度通过共享仓储、联合配送和知识溢出发挥最大贡献,但存在阈值效应,简单扩大物流园区面积不一定产生等比例提升。高素质人才能够快速应用于路线优化、绿色包装和能源管理,转化为短期效益。资本存量则需长期规划与建设周期,其效果在5年后才充分显现。政府科技支持在创新基础强的地区转化效率更高,而环境规制应区分不同物流活动环节。区域异质性要求政策从统一线性干预转向时间敏感和地方化策略。

**研究结论翻译**:
(1)研究期内中国物流GIP呈现波动上升趋势,全国平均值从0.405增至0.467,但空间极化依然严重,东部地区显著领先于中部、西部和东北地区。
(2)显著性检验确认了29个候选变量中有27个有效,证实物流GIP由经济规模、要素禀赋、制度环境和数字技术构成的多维生态系统协同驱动,显著的非线性映射关系明确否定了单一因素线性解释模型的可行性。
(3)不同驱动因素的效应具有显著差异化的响应周期。高素质人才和对外开放水平产生较快效应,在物流行业中,熟练人员能迅速贡献于路线优化、仓库管理系统部署、碳核算、绿色包装设计和节能运输技术采纳,这解释了高素质人才仅0.60年的短滞后;相反,经济集中度和政府科技支持呈现中期效应,因为共享配送系统、物流创新平台和科技示范项目的形成需要协调和实施时间;资本存量滞后最长(5.29年),反映了冷链设施、智能仓库、多式联运枢纽、充电基础设施和低碳运输设备的规划、建设、集成和产能利用长周期。
(4)SHAP归因结果显示,经济集中度贡献最大(14.0%),其次为高素质人才(9.6%)、资本存量(8.4%)和政府科技支持(7.3%)。在物流运营中,经济集中度通过共享仓储、联合配送、集约货运和知识溢出提升GIP;人才支持数字调度、绿色包装和能源管理技术的快速应用;资本和政府支持提供智能仓储、冷链升级和多式联运发展所需的物理和制度基础。非线性边际效应进一步表明,扩大物流园区或增加设备投资并不一定带来等比例改善,除非利用效率和配套条件达到适当水平。
(5)主要驱动因素的效应存在显著省份异质性。经济集中度在物流园区、运输枢纽和供应链服务提供商充分连接的地区产生更强效益;人才和资本的效果取决于当地物流企业是否具备吸收这些投入所需的数字系统、运营能力和应用场景;政府支持在具有成熟示范平台、产学研合作和技术商业化机制的省份转化为物流GIP的效率更高。因此,物流GIP的区域差异不仅源于要素禀赋,还源于将这些要素应用于具体物流活动的能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号